Штучний інтелект (AI) разом із блокчейном очолюють парад технологічних трендів 2018 року. Машинне навчання, нейромережі, наука про дані – ці слова додають ваги будь-якому стартап-пітчу в очах потенційних інвесторів. Штучним інтелектом цікавляться і корпорації, що вбачають в AI-рішеннях конкурентну перевагу, і студенти, які шукають перспективну професію. Україна слідкує за трендами – цього місяця в Києві запустилася піврічна навчальна програма uData School, що спеціалізується на Data Science. А на регулярних мітапах спеціалісти з AI розповідають про сутність та перспективи цієї технології. K750 відвідав один із таких івентів.

Чому наука знову опинилися в центрі уваги? Чи виправданий хайп навколо Data Science та AI? Наскільки розвиненою є екосистема штучного інтелекту? Чи насправді допомагає AI людям та бізнесу? Саме таким питанням присвятив свій виступ Head of R&D компанії Ciklum Борис Працюк на івенті ‘Havas Talks.iLife’, що відбувся в інноваційному парку UNIT.City.

Чому наука знову в моді?

Мабуть, ви помітили, що у світі здійнялася хвиля хайпу навколо таких понять як AI, Machine Learning та Data Science. Дійсно, є компанії, що впроваджують AI-рішення, але в той же час багато хто просто паразитує на цьому тренді. Але чому це відбувається саме зараз?

Розберемося для початку з базовими поняттями. Що таке штучний інтелект? Це коли машина виконує ту чи іншу задачу так само добре, як і людина. Людей, які розробляють алгоритми, навчають машини, підбирають дані, – іншими словами, роблять штучний інтелект реальністю, – називають Data Scientists.

Одним із підрозділів штучного інтелекту є Machine Learning (ML) – технологія, яка навчає машину робити роботу замість людини. Є ще термін Deep learning (DL) – це підклас машинного навчання, що дозволяє будувати нейронні мережі.

Історія штучного інтелекту розпочалася у 1943 році, коли вчені винайшли формулу, яка емулює роботу мозку людини. У 1957 році американський вчений Френк Розенблат розробив перцептрон, який моделював роботу цієї концепції. А вже у 1965 році українські науковці Олексíй Івахненко і Валентин Лапа в Інституті математики в Києві фактично винайшли першу нейронну мережу (ANN).

В 60-х роках минулого століття наука швидко розвивалася завдяки тому, що багато коштів вкладалося у розвиток оборонної сфери, розробку ядерної зброї тощо. У 80-их вся увага була прикута до персональних комп’ютерів та гігантів на зразок IBM та Microsoft, які створювали ці ПК. Як наслідок, увага до науки зменшилася. Після 2000 року настав час, який можна назвати ерою Application. Після цього виникає ціла екосистема – аутсорсери, фрілансери, проектні менеджери (PM), бізнес-аналітики (BA), з’явилися термінологія, різноманітні школи і так далі. Науковці знову таки лишалися на задньому плані.

Але коли всі базові рішення реалізовані, виникає потреба рухатися далі і створювати щось складніше. І тут ми повертаємося до науки.

Потребу в наукових методах підсилює і величезна кількість даних у світі, яка зростає шаленими темпами. Людині не під силу опрацювати всю цю інформацію, знайти в ній невідповідності та закономірності. Але з цим завданням можуть впоратися роботи. Машинне навчання якраз і є тим інструментом, який дає нам можливість якісно і швидко опрацьовувати дані.

Теорія Великого вибуху в AI

Компанія Nvidia на одній з конференцій продемонструвала, як відбувся Big Bang (Великий вибух) в сфері сучасного штучного інтелекту. Спочатку з’явилися алгоритми, великі дані та графічні процесори. Далі почали виникати дослідницькі університети, завдяки яким, наприклад, сформувалася спільнота Open AI. Наступний етап – поява гігантів на зразок Facebook, Google та Microsoft, які почали створювати програмні середовища (frameworks), що дозволяють реалізовувати алгоритми. Далі – перші платформи, такі як Microsoft Azure чи IBM Watson. І аж потім масово почали з’являтися стартапи. В 2016 році інвестори вклали $5 млрд у більш ніж 1000 стартапів зі сфери штучного інтелекту.

Потім з’являються великі індустріальні гіганти, що почали використовувати AI-стартапи у своїх розробках – наприклад, Tesla. Відбулася справжня революція. Що буде далі? Наступними здобутки у сфері AI використовуватимуть середній клас та середній бізнес. За даними дослідження Boston Consulting Group and MIT Sloan Management Review, більшість підприємців впевнені, що AI стане каталізатором змін за багатьма напрямами (розширення бізнес-можливостей, створення нових бізнес-моделей, зміна конкурентного ландшафту).

Штучний інтелект та бізнес: кейси

Як же за допомогою штучного інтелекту вирішуються реальні проблеми людей та бізнесу? Розглянемо кілька прикладів.

  • Виявлення паразитів в рибі

Норвезька компанія, яка займається вирощуванням лосося, мала наступну проблему. Щотижня біолог повинен виїжджати в море, відловлювати 20 рибин і відвозити в лабораторію, аби перевірити на наявність паразитів. Якщо погодні умови не дозволяють біологу цього зробити, компанія змушена платити за простій мільйон євро.

Чи можна уникнути таких фінансових втрат? Один стартап, якому дали 5 млн євро seed-інвестицій на прототип, запропонував поставити під водою камеру. На знімках паразити не помітні для людини, однак комп’ютерне бачення може розрізнити на рибі мініатюрні цятки – паразити на стадії зародження, які біолог помітив би лише за тиждень. Тобто виявивши паразитів на цій стадії, компанія зекономить як на хімікатах, так і на штрафах, а також зменшить вплив на свою діяльність таких факторів, як погодні умови. А головне, досягне своєї основної мети – виявлення паразитів у рибі.

  • Визначення моделі камери

Майже усі люди фотографують, однак кожен з нас робить фото за допомогою різних моделей фотоапаратів чи смартфонів. Проводилося змагання, на якому різним командам пропонували натренувати алгоритм з визначення моделі камери, а потім і визначення її ціни. Для чого це робилося? Так замовник хотів дізнаватися витратний бюджет людини за знімками, які вона завантажує в мережу. Нашій команді вдалося створити рішення, яке визначає модель камери з точністю 97,5%. Це можливо, адже кожній камері притаманні свої особливості, які не може побачити людина, але бачить комп’ютер.

  • Прогнозування епілептичних нападів

Вже сьогодні у світі існують імпланти, які стимулюють відповідний нерв – коли людина відчуває, що у неї починається епілептичний напад, вона натискає кнопку на спеціальному браслеті, нерв стимулюється, і нападу вдається уникнути. Однак ця система не є дуже зручною, адже людині потрібно постійно слідкувати за своїми відчуттями і самостійно приймати рішення, натискати «кнопку» чи ні. Проте більш досконалі технології дозволяють навіть завантажувати в імплант алгоритм, який здатний помічати симптоми епілепсії, коли їх ще не відчуває людина, та самостійно приймати відповідні рішення.

  • Аналіз супутникових зображень

В Амазонії велика кількість лісів безжально вирубується браконьєрами. Для боротьби зі знищенням лісів в регіоні існує спеціальна служба, яка відстежує зміни на супутникових зображеннях. Однак людям передивитися усі такі знімки нереально. Наша компанія робила алгоритм, який аналізував знімки з супутника та сортував мільярди картинок за різними категоріями – де є хмари, де є дороги, де є ліси тощо.

Крім цього, алгоритм порівнював зображення, де були ліси, зі знімками з цієї ж точки, зробленими у інші дні, аби відслідкувати зміни на лісових територіях та визначити місця можливого браконьєрства.

Більше статей на тему штучного інтелекту: